Plugins

Intégration mcp-unity instantanée pour DeepSeek Harness : serveur MCP intégré sans configuration manuelle permettant à l'agent de piloter l'éditeur Unity via 34 outils - scènes, game objects, transforms, matériaux, prefabs, éléments de menu, play mode, tests et logs de console - avec reconnexion automatique.

Ajoute les modèles gratuits d’OpenCode Zen à DeepSeek Harness comme un fournisseur unique, via un environnement OpenCode géré et isolé. La page des paramètres liste et teste chaque modèle.

Remplace le bouton de modèle du composeur DSH par un panneau à deux niveaux (fournisseurs, puis modèles recherchables) avec curseur continu déplaçable d’effort de raisonnement : remplissage bleu-violet, nébuleuses et étoiles aux niveaux élevés, couleur propre à chaque niveau. Choisir un modèle garde le panneau ouvert et place le curseur sur son niveau médian. Démarré à partir de Microqian2th/dsh-codex-effort-slider 1.0.0 (crédit dans README) ; panneau, prise de slot, suite de tests hors ligne et documentation sont nouveaux.

Harness d'évaluation pour les plugins DSH : des cas au format YAML pilotent de vraies exécutions d'agent en mode headless, avec des assertions sur les appels d'outils, les arguments, les résultats et l'utilisation des tokens, ainsi qu'une barrière de référence pour la non-régression en CI.

Exécute des tests d'installation et de fumée isolés pour les plugins DSH dans des profils jetables, renvoyant des enregistrements de réussite/échec structurés et des matrices de lots sans toucher à votre profil réel.

Plugin DeepSeek Harness (dsh) pour l'analyse d'actions, le filtrage et le backtesting de stratégies sur les marchés A/HK/US/JP/KR/TW

Rendez n'importe quel projet prêt pour les agents IA en une seule commande. Détection adaptative de la stack technique (7 langages × 14 frameworks × 61 composants), génération automatique d'AGENTS.md, d'un squelette de documentation, de CI/CD et d'infrastructure de tests. En une phrase : donnez à n'importe quel projet la capacité d'être développé par IA.

Réducteur de résultats d'outils sensible au contenu : 13 réducteurs taillent les sorties excessives par signification dans tools/post-execute (les tests échoués sont conservés, le contexte de diff est supprimé, JSON et CSV sont échantillonnés, les problèmes de lint sont groupés par règle, les frames de pile de dépendances sont repliées et les répertoires encombrés sont comptabilisés), les originaux complets étant déversés sur disque derrière un localisateur.

Surveille les versions de DSH et des plugins, reteste les artefacts publiés exacts dans des exécuteurs jetables, publie des preuves de compatibilité lisibles par machine et rapproche les problèmes gérés après les correctifs.

Génère des Functions, des outils MCP, des Skills de workflow et des paquets de tests hors ligne à partir de code source autorisé par l'utilisateur.

Essaims d'IA basés sur les rôles pour DeepSeek Harness : un architecte planifie, des constructeurs parallèles exécutent, des relecteurs filtrent la qualité, et un intégrateur livre. Épinglage de modèles par rôle avec chaînes de secours, boucles de revue, contrats de preuves, revues à validation humaine, pause/reprise tenant compte du quota, et un kanban en direct + diagramme de flux dans l'interface web. 40 tests ; installation depuis GitHub ou npm.

Interface de gestion du cycle de vie pour le fournisseur de modèles llm-pi-ai : créez, modifiez, supprimez, activez et désactivez des fournisseurs avec des en-têtes personnalisés et des clés API chiffrées en AES-GCM ; restauration sûre à la désinstallation des fournisseurs parqués, découverte de modèles distants avec écriture par lot, routage intelligent avec cinq stratégies, composites d'union/intersection, tests de connectivité par modèle et observabilité des requêtes.

Une suite de compétences de modélisation mathématique à accès contrôlé pour DeepSeek Harness : un pipeline en cinq étapes avec des jalons de validation, des schémas de rédaction pour articles primés, une analyse de sensibilité, un diagnostic statistique et un préréglage pour concours.

Section About pour les paramètres de DeepSeek Harness : informations de version, vérification des mises à jour npm latest/next avec installation en un clic et redémarrage automatique, et historique des versions GitHub.

Coordonne la planification Codex et la revue indépendante tandis que la session DSH d'origine implémente et teste les modifications.

Pont de tutorat DeepTutor : explications profondes, questions d'auto-test, planification de parcours d'apprentissage, recherche de base de connaissances personnelle (RAG), et archivage de notes via les outils deeptutor_run / deeptutor_kb / deeptutor_note.

Drag a session out of the DSH sidebar and it opens in its own native OS window, showing the full standard conversation UI (Markdown, toolbar, settings) with only the sidebar trimmed away, so several sessions can be watched side by side instead of switching back and forth. Windows verified; macOS and Linux untested. Runs in the DSH desktop app (Electron).

Suite de développement HarmonyOS pour DSH : inspecteur HiLog dans la barre latérale droite (flux en direct avec filtres de niveau, logger et texte) et inspecteur ArkUI (capture choisie, arbre de composants repliable, propriétés des nœuds avec recherche et modèle de boîte) ; deux sources d’arbre — canal de débogage DevEco et arbre d’accessibilité uitest —, lecteur .ets avec coloration ArkTS, gestion de la chaîne d’outils et des appareils DevEco Studio/CLT, et outil d’agent harmony_ui_tree. 21 méthodes distantes, 82 tests unitaires.

Dispatcher du modèle principal : six pools (economy/mechanical/main/hard/vision/review), classement et pins de reasoning-effort par route. Watermarks de contexte 50k/90k/130k : délégation précoce ; forcé : fork session backup → handover → compactage → reprise sans perdre le travail en cours des sous-agents. /ctx-pause, /ctx-resume et /ctx-handover pilotent le cycle. Agent Teams (opt.) : teammates persistants, tableau partagé. /vision : images aux modèles texte via pool vision. Gros diffs : testeur + reviewer indépendant (vérification graduée). Settings UI/READMEs/langue (conversation/code-comment/document) : 11 codes (en,zh,zh-TW,ja,ko,de,es,fr,it,pt,ru) ; UI suit locale DSH sauf override. 3 skills : MySQL/Redis lecture seule, messages de commit, docs exigences/design.

Enregistre le serveur MCP MathWorks MATLAB/Simulink dans un profil dsh, afin que les sessions d'agent obtiennent des outils mcp__matlab__* pour exécuter du code MATLAB et lire, éditer et tester des modèles Simulink.

Détecte quel modèle de conversation est servi à un compte : lance des conversations-sondes concurrentes jetables, note chaque chaîne de pensée en streaming selon la manière dont s'ouvrent ses paragraphes, et annule en quelques secondes les sondes lues comme l'ancien modèle. Inclut une auto-vérification hors ligne qui rejoue 13 chaînes de pensée étiquetées à la main à travers le même classifieur.

12 compétences d'ingénierie testées (git commit, code review, test-first, plugin dev, debugging, changelog, PR review, task breakdown, et plus) : chaque SKILL.md passe un validateur de format aligné sur les règles officielles de compétence plus un test smoke d'isolation de chargement.

Six compétences d’ingénierie pour Claude Code et DSH : recherche, exploration d’architecture, orchestration de l’implémentation, revue de diff sur trois axes, audit de complexité et tests de mutation. Elles délèguent via les outils génériques de sous-agents de l’hôte lorsqu’ils existent.